一种端元变化的神经网络混合像元分解方法

遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元(Endm ember)个数不变的情况下,往往得到的分解结果精度不高。本文基于fuzzy ARTMAP神经网络,提出一种基于端元变化的神经网络混合像元分解模型。首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ARTMAP神经网络进行分解。实验结果表明:本文提出的方法比传统的线性混合模型及fuzzy ARTMAP神经网络模型的精度要高,而且更加符合实际情况。

基于端元变化的两种混合像元分解算法比较研究

光谱混合分析对提高遥感影像分类具有重要意义,其中端元变化处理是提高解混精度的关键。目前,许多算法被用来解决端元变化,但仍存在一些问题有待解决,如算法运行效率慢、忽略端元的高阶交互、像元空间邻城信息缺失。结合IDL和MATLAB混合编程,利用确定性模型中的交替最小角度法和统计性模型中考虑高阶项的非线性算法对Hyperion影像进行端元变化解混,再利用概率松弛标记法对像元补充空间邻域信息。试验结果表明:当某种地物类别所占面积较大时,确定性与统计性模型都能获得较高的解混精度;当地物类别所占面积较小时,确定性模型的解混精度高于统计性模型;补充像元空间邻域信息对解混结果有很好的校正。

端元可变非线性混合像元分解模型

遥感影像中混合像元普遍存在。端元固定的情况下对混合像元进行分解,很难高精度地识别影像地物。本文基于支持向量机,提出了端元可变的非线性混合像元分解模型。首先,通过构建多个支持向量机获取每个像元的优化端元集,在优化端元集的基础上运用支持向量机与两两配对方法相结合的算法获取像元组分。试验结果表明,本文提出的方法效果优于传统的多端元光谱分解法。

一种基于光谱归一化的丘陵地区植被覆盖度反演方法

由于影像空间分辨率的限制,利用遥感影像反演植被覆盖度时,像元内通常存在植被与其他地物混合的现象.此外,受到物理属性、地形、阴影等因素的影响,植被内部存在较大的光谱差异.混合像元的存在,以及植被内部光谱变化较大都将导致植被覆盖度反演精度降低.本研究基于Sentinel 2A遥感影像,提出了一种基于光谱归一化的光谱混合分析方法,以期解决植被内的光谱差异以及与其他地物的混合问题.首先,对端元矩阵与遥感影像进行归一化预处理,以减弱植被内的光谱变化;然后,采用全约束最小二乘法(FCLSU)、部分约束最小二乘法(CLSU)、扩展线性混合模型(ELMM)三种混合像元分解算法来定量分析植被与其他地物的混合状态.在验证解混算法精度时,采用无人机高分影像分类结果作为植被覆盖度参考影像,并对归一化前后的精度进行对比.光谱归一化前,ELMM和CLSU的R和RMSE都接近0.903和0.353,FCLSU的R和RMSE为0.869和0.434.光谱归一化后,三种算法的R和RMSE都接近0.91和0.2.试验结果表明:端元和影像进行归一化后,降低了光谱变异性,三种算法的解混精度在整体上提高较大,且对四川丘陵地区的植被覆盖度的反演结果接近真实值.

一种反演积雪面积的范数最小二乘算法

针对常规光谱混合分析算法在积雪面积反演中存在的端元变化误差及运算效率的问题,提出了一种范数最小二乘算法(norm least squares,NLS)。为验证算法的精度和实用性,利用藏南地区的MODIS影像进行反演实验,同时采用全约束最小二乘法(fully constrained least squares,FCLS)和多端元光谱混合分析法(multiple endmember spectral mixture analysis,MESMA)进行对比分析。实验结果表明,引入范数减弱了积雪光谱的异质性,提高了积雪面积的反演精度,其反演结果基本跟真值保持一致,且用于反演积雪面积可行性高。同时,该算法反演的积雪面积相比FCLS具有更高的精度,相比MESMA具有更高的时间效率。

一种考虑雪粒径变化的积雪面积反演算法

光谱混合分析能够提取亚像元信息,被广泛地应用于遥感影像目标探测之中。本文针对MODIS积雪遥感影像,基于光谱混合分析框架,利用渐进辐射传输模型建立不同粒径大小的雪反射率光谱库,提出了一种考虑端元变化及二次辐射的雪盖面积反演算法。此算法首先利用渐进辐射传输模型建立不同粒径大小积雪的反射率光谱库,然后使用序贯最大角凸锥方法获取植被、土壤与岩石、阴影的光谱库。在建立各种地物反射率光谱库之后,利用均方根误差最小的方法获取最优端元组合。在此基础上,考虑端元独立辐射以及积雪与其它地物的二次辐射过程,利用稀疏光谱混合模型获取积雪面积与雪粒径大小。实验结果表明:此方法能够同时反演雪粒径与积雪面积,反演的雪粒径相比单波段的渐进辐射传输模型小,反演的积雪面积相比MOD10A1产品精度略微提高。

一种基于光谱归一化下的植被覆盖度反演算法

针对常规混合像元分解算法在植被覆盖度遥感反演中存在的端元变化误差及运算效率的问题,以两个不同类型植被覆盖下地区的TM影像数据为基础,提出了一种基于光谱归一化框架下的协同稀疏回归的植被覆盖度反演算法,并针对多种地表类型下的植被覆盖度反演试验,与常用的像元二分法模型进行对比分析。试验结果表明:对影像与端元组进行归一化后,有效地降低了它们的异质性,从而提高了反演精度,同时,该算法获取的植被覆盖度相对像元二分法具有更高的精度。

基于IDL和MATLAB混合编程的两种光谱混合分析方法比较

交互式数据语言IDL是一种跨平台、面向对象的应用程序开发语言,具有强大的数据分析和可视化能力。基于矩阵运算的科学计算软件MATLAB是一种大型数值编程计算和图像处理软件,拥有丰富的工具箱。将IDL和MATLAB进行混合编程,同时采用扩展线性混合模型对Hyperion影像进行端元变化解混。为了验证端元变化解混的结果,采用全约束最小二乘法模型进行对比分析。试验结果表明:IDL和MATLAB混合编程结合两者的优势,有效地提高了代码编写效率;同时,当地物类别所占面积较大时,扩展线性混合模型解混精度比全约束最小二乘法模型高,反之,全约束最小二乘法模型的解混精度高。